详解 Numpy.ndarray

向量、矩阵 & 多维数组是数值计算中必不可少的工具；通过对数组数据进行批量处理，避免了对数组元素显式地进行循环操作，这样做的结果是可以得到简洁、更易维护的代码，并且可以使用更底层的库来实现数组操作。因此，向量化计算相比按顺序逐元素进行计算要快得多。

在 Python科学计算环境中，Numpy 库提供了用于处理数组的高效数据结构，且Numpy的核心是使用C语言实现的，提供了很多处理和处理数组的函数。

NumPy支持比Python更多种类的数字类型,有5种基本数字类型：

• 布尔值（bool）
• 整数（int）
• 无符号整数（uint）
• 浮点（float）
• 复数（complex）

Numpy库的核心是表示 同质的多维数据 —— 每个元素占用相同大小的内存块， 并且所有块都以完全相同的方式解释。 如何解释数组中的每个元素由单独的数据类型对象指定， 其中一个对象与每个数组相关联。除了基本类型（整数，浮点数 等 ）之外， 数据类型对象还可以表示数据结构。

1、创建 Numpy 数组

NumPy提供了一个N维数组类型，即ndarray， 它描述了相同类型的“项目”集合。可以使用例如N个整数来索引项目。从数组中提取的项（ 例如 ，通过索引）由Python对象表示， 其类型是在NumPy中构建的数组标量类型之一。 数组标量允许容易地操纵更复杂的数据排列。

ndarray 与 array 的区别
np.array 只是一个便捷的函数，用来创建一个ndarray，它本身不是一个类。
ndarray 数组，是用 np.ndarray类的对象 表示n维数组对象
所以ndarray是一个类对象，而array是一个方法。

创建数组有5种常规机制：

• 从其他Python结构（例如，列表，元组）转换
• numpy原生数组的创建（例如，arange、ones、zeros等）
• 从磁盘读取数组，无论是标准格式还是自定义格式
• 通过使用字符串或缓冲区从原始字节创建数组
• 使用特殊库函数（例如，random）

1、np.array

一个 ndarray是具有相同类型和大小的项目的（通常是固定大小的）多维容器。 尺寸和数组中的项目的数量是由它的shape定义， 它是由N个非负整数组成的tuple（元组），用于指定每个维度的大小。 数组中项目的类型由单独的data-type object (dtype)指定， 其中一个与每个ndarray相关联。

与Python中的其他容器对象一样，可以通过对数组进行索引或切片（例如，使用N个整数）以及通过ndarray的方法和属性来访问和修改ndarray的内容。

不同的是,ndarrays可以共享相同的数据， 因此在一个ndarray中进行的更改可能在另一个中可见。 也就是说，ndarray可以是另一个ndarray 的 “view” ，它所指的数据由 “base” ndarray处理。 ndarrays也可以是Python拥有的内存strings或实现 buffer 或数组接口的对象的视图。

通过 np.array() & np.ndarray() 创建

# Create an array.
np.array(object, dtype=None, copy=True, order=’K’, subok=False, ndmin=0)



np.ndarray(shape, dtype=float, buffer=None, offset=0, strides=None, order=None)

一个 ndarray是具有相同类型和大小的项目的多维容器。
尺寸和数组中的项目的数量是由它的shape定义， 它是由N个非负整数组成的tuple（元组），用于指定每个维度的大小。

不同的是,ndarrays可以共享相同的数据， 因此在一个ndarray中进行的更改可能在另一个中可见。 也就是说,ndarray可以是另一个ndarray 的 “view” ，它所指的数据由 “base” ndarray处理。 ndarrays也可以是Python拥有的内存strings或实现 buffer 或数组接口的对象的视图。

Examples：

>>> np.array([1, 2, 3])
array([1, 2, 3])

>>> np.array([1, 2, 3.0])
array([ 1., 2., 3.])

>>> np.array([[1, 2], [3, 4]])
array([[1, 2],
[3, 4]])

>>> np.array([1, 2, 3], ndmin=2)
array([[1, 2, 3]])

>>> np.array([1, 2, 3], dtype=complex)
array([ 1.+0.j, 2.+0.j, 3.+0.j])

>>> x = np.array([(1,2),(3,4)],dtype=[('a','<i4'),('b','<i4')])
>>> x['a']
array([1, 3])

>>> np.array(np.mat('1 2; 3 4'))
array([[1, 2],
[3, 4]])

>>> np.array(np.mat('1 2; 3 4'), subok=True)
matrix([[1, 2],
[3, 4]])




>>> np.ndarray(shape=(2,2), dtype=float, order='F')
array([[ -1.13698227e+002, 4.25087011e-303],
[ 2.88528414e-306, 3.27025015e-309]]) 	#random

>>> np.ndarray((2,), buffer=np.array([1,2,3]),
offset=np.int_().itemsize,
dtype=int) 								# offset = 1 * itemsize, i.e. skip first element
array([2, 3])

2、基本属性

数组属性反映了数组本身固有的信息。通常，通过其属性访问数组允许您获取并有时设置数组的内部属性，而无需创建新数组。公开的属性是数组的核心部分，只有一些属性可以有意义地重置而无需创建新数组。有关每个属性的信息如下。

内存布局

以下属性包含有关数组内存布局的信息：

 		方法				  		描   述
|	ndarray.flags		|	有关数组内存布局的信息。					
|	ndarray.shape		|	数组维度的元组。							
|	ndarray.strides		|	遍历数组时每个维度中的字节元组。			
|	ndarray.ndim		|	数组维数。								
|	ndarray.data		|	Python缓冲区对象指向数组的数据的开头。		
|	ndarray.size		|	数组中的元素数。							
|	ndarray.itemsize	|	一个数组元素的长度，以字节为单位。			
|	ndarray.nbytes		|	数组元素消耗的总字节数。					
|	ndarray.base		|	如果内存来自其他对象，则为基础对象。		

数据类型

可以在dtype属性中找到与该数组关联的数据类型对象 ：

 		方法			|		描   述
|	ndarray.dtype		|	数组元素的数据类型。						

其他属性

 		方法			|		描   述
|	ndarray.T			|	转置数组。								
|	ndarray.real		|	数组的真实部分。							
|	ndarray.imag		|	数组的虚部。								
|	ndarray.flat		|	数组上的一维迭代器。						
|	ndarray.ctypes		|	一个简化数组与ctypes模块交互的对象。		

3、Numpy 原生数组 创建 ndarray

    			方法    								|    		    描   述 
|	eye(N[, M, k, dtype, order]) 						|	返回一个二维数组，对角线上有一个，其他地方为零
|	identity(n[, dtype]) 								|	返回标识数组。 

|	ones(shape[, dtype, order]) 						|	返回给定形状和类型的新数组，并填充为1
|	ones_like(a[, dtype, order, subok, shape]) 			|	返回形状与类型与给定数组相同的数组。
|	zeros(shape[, dtype, order]) 						|	返回给定形状和类型的新数组，并用零填充。
|	zeros_like(a[, dtype, order, subok, shape]) 		|	返回形状与类型与给定数组相同的零数组。 
|	full(shape, fill_value[, dtype, order]) 			|	返回给定形状和类型的新数组，并用fill_value填充
|	full_like(a, fill_value[, dtype, order, …]) 		|	返回形状和类型与给定数组相同的完整数组
|	empty(shape[, dtype, order]) 						|	返回给定形状和类型的新数组，而无需初始化条目
|	empty_like(prototype[, dtype, order, subok, …]) 	|	返回形状和类型与给定数组相同的新数组

• zeros_like()、ones_like()、empty_like() 等带 _like() 的函数创建与参数数组的形状及类型相同的数组。

• frombuffer()、fromstring()、fromfile() 等函数可以从字节序列或文件创建数组

4、np.arange

| 					方法                   				|			描   述 
| 	arange([start,] stop[, step,][, dtype])  			|	返回给定间隔内的均匀间隔的值。
| 	linspace(start, stop[, num, endpoint, …])  			|	返回指定间隔内的等间隔数字。
| 	logspace(start, stop[, num, endpoint, base, …]) 	| 	返回数以对数刻度均匀分布。  
| 	geomspace(start, stop[, num, endpoint, …])  		|	返回数字以对数刻度（几何级数）均匀分布。       
| 	meshgrid(*xi, **kwargs)  							|	从坐标向量返回坐标矩阵。 
|	mgridnd_grid  										|	实例，它返回一个密集的多维 “meshgrid”
|	ogridnd_grid  										|	实例，它返回一个开放的多维 “meshgrid”
        

2、从现有的数据创建

						方法											 描   述
|	array(object[, dtype, copy, order, subok, ndmin])	|	创建一个数组
|	asarray(a[, dtype, order])							|	将输入转换为数组
|	asanyarray(a[, dtype, order])						|	将输入转换为ndarray，但通过ndarray子类
|	ascontiguousarray(a[, dtype])						|	返回内存中的连续数组（ndim > = 1）（C顺序）
|	asmatrix(data[, dtype])								|	将输入解释为矩阵
|	copy(a[, order])									|	返回给定对象的数组副本
|	frombuffer(buffer[, dtype, count, offset])			|	将缓冲区解释为一维数组
|	fromfile(file[, dtype, count, sep, offset])			|	根据文本或二进制文件中的数据构造一个数组
|	fromfunction(function, shape, **kwargs)				|	通过在每个坐标上执行一个函数来构造一个数组
|	fromiter(iterable, dtype[, count])					|	从可迭代对象创建一个新的一维数组
|	fromstring(string[, dtype, count, sep])				|	从字符串中的文本数据初始化的新一维数组
|	loadtxt(fname[, dtype, comments, delimiter, …])		|	从文本文件加载数据

3、创建矩阵

			 方法                              			| 				描	述  
|	mat(data[, dtype]) 			 						|	将输入解释为矩阵
|	bmat(obj[, ldict, gdict]) 	 						|	从字符串，嵌套序列或数组构建矩阵对象

| 	tril(m[, k]) 										| 	数组的下三角。                               
| 	triu(m[, k]) 										| 	数组的上三角。                               
| 	vander(x[, N, increasing]) 							|	生成范德蒙矩阵        

| 	diag(v[, k]) 										| 	提取对角线或构造对角线数组。                 
| 	diagflat(v[, k]) 									| 	使用展平的输入作为对角线创建二维数组。       
| 	tri(N[, M, k, dtype]) 								| 	在给定对角线处及以下且在其他位置为零的数组。